Luca's Blog
Luca's Blog

Anomaly Detection App

LucaZou LucaZou 收录于 项目文档
 约 700 字 预计阅读 3 分钟 

Anomaly Detection App 文档

项目概述

Anomaly Detection App 是一个基于 Python 和 PyQt5 的桌面应用程序，利用深度学习模型（如 Wide ResNet50 和 SimpleNet）进行图像异常检测。它支持单张和批量图片处理，提供直观的用户界面，用户可以选择模型、调整异常阈值、查看检测结果、分析报告并管理检测历史。应用通过多线程、GPU 加速和动态内存管理优化了性能，适用于工业检测、质量控制或其他需要图像异常分析的场景。

示例图

  • 主界面

image.png

  • 单张检测

image.png

  • 批量检测与报告

image.png

image.png

注：新版本增加了“Report”选项卡，显示统计和图表。

  • 历史记录查看

image.png

主要功能

  • 模型选择：通过“Select Model”菜单选择预定义模型（如“Metal Nut”或“Screw”），支持快捷键（如 Ctrl+1）。
  • 单张检测：检测单张图片，显示结果和异常信息，支持拖放操作。
  • 批量检测：处理文件夹中的多张图片，生成检测结果、缩略图和分析报告，支持拖放文件夹。
  • 结果导航：通过缩略图点击切换批量检测结果，鼠标悬停显示详细信息。
  • 报告生成：批量检测后生成统计报告（异常数量、得分分布等）和图表（直方图、箱线图），支持导出为 CSV 或 PDF。
  • 历史记录：保存每次检测的报告，支持查看和重新加载历史结果。
  • 动态阈值：通过左侧滑块实时调整异常检测阈值（默认范围 0.0-2.0，默认值 1.2）。
  • 性能优化：支持动态批次大小、GPU 加速、多线程预加载和磁盘缓存，减少内存占用和处理时间。
  • 日志记录：可折叠日志区显示操作和错误信息，保存至文件。
  • 拖放支持：支持拖放图片或文件夹触发检测。

技术栈

  • 编程语言：Python 3.8+
  • GUI 框架：PyQt5
  • 深度学习：PyTorch, torchvision
  • 图像处理：Pillow, NumPy, Matplotlib
  • 数据分析：pandas, NumPy
  • 报告生成：reportlab（PDF 导出）
  • 其他：tqdm（进度条）、logging（日志）、ruamel.yaml（配置文件）、concurrent.futures（多线程）

安装与运行

环境要求

  • 操作系统：Windows、macOS 或 Linux（跨平台支持）
  • Python：3.8 或更高版本
  • 硬件：支持 CUDA 的 GPU（可选，推荐至少 6 GiB 显存以处理批量检测）

依赖安装

安装所需库：

1

pip install PyQt5 torch torchvision pillow numpy matplotlib tqdm ruamel.yaml pandas reportlab
  • torch：若需 GPU 支持，请根据硬件安装对应 CUDA 版本（参考 PyTorch 官网）。
  • simplenet：从 GitHub 克隆并置于项目目录，或根据需求修改 simplenet.py。

项目文件

下载项目代码并确保以下结构完整：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48

anomaly_detection_app/
├── README.md
├── .gitignore
├── config.yaml
├── requirements.txt
├── main.py
├── data/
│   └── (数据文件)
├── logs/
│   └── (日志文件)
├── output/
│   └── (输出文件)
├── models/
│   └── (训练好的模型文件)
├── src/
│   ├── __init__.py
│   ├── backbones/
│   │   ├── __init__.py
│   │   ├── resnet.py
│   │   ├── simplenet.py
│   │   └── backones.py
│   ├── common/
│   │   ├── __init__.py
│   │   ├── exceptions.py
│   │   ├── utils.py
│   │   └── common.py
│   ├── gui/
│   │   ├── __init__.py
│   │   ├── gui.py
│   │   └── progress_dialog.py
│   ├── image_processing/
│   │   ├── __init__.py
│   │   └── image_processor.py
│   ├── metrics/
│   │   ├── __init__.py
│   │   └── metrics.py
│   ├── model_loading/
│   │   ├── __init__.py
│   │   └── model_loader.py
│   ├── performance_monitoring/
│   │   ├── __init__.py
│   │   └── performance_monitor.py
│   └── report_generation/
│       ├── __init__.py
│       └── report_generator.py
└──tests/
    ├── __init__.py
    └── test_image_detection.py

配置

编辑 config.yaml：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14

# Anomaly Detection App 的配置文件
load_mode: preload  # 可选：preload（预加载）或 ondemand（按需加载）
threshold: 1.2      # 默认阈值，范围 0.0-2.0
models:
  Metal Nut: models/mvtec_metal_nut/ckpt.pth  # 金属螺母检测模型
  Screw: models/mvtec_screw/ckpt.pth          # 螺丝检测模型
preload:
  max_preload_threads: 8    # 预加载最大线程数
  preload_chunk_size: 100   # 预加载分片大小
  use_disk_cache: true      # 是否使用磁盘缓存
  max_memory_mb: 2048       # 最大内存使用量（MB）
batch:
  max_batch_threads: 12     # 批量检测最大线程数
  max_batch_size: 32        # 最大批次大小
  • load_mode：preload 在启动时加载所有模型，ondemand 在选择时加载。
  • threshold：初始异常阈值，可通过界面调整。
  • models：模型名称和路径，路径需指向有效的 .pth 文件。
  • preload/batch：性能优化参数，可根据硬件调整。

运行

  1. 确保模型文件路径正确。
  2. 进入项目目录： 
    1

    cd anomaly_detection_app
  3. 执行： 
    1

    python main.py

代码结构与模块说明

文件结构

  • main.py：
    • 程序入口，配置日志，加载 config.yaml，初始化设备和处理器，启动 GUI。
  • gui.py：
    • 定义图形界面，包括工具栏、选项卡（图像视图和报告）、缩略图、阈值滑块、历史记录对话框和日志区。
    • 处理用户交互（模型选择、检测、阈值调整、报告导出、历史查看）。
  • image_processor.py：
    • 图像处理核心，支持单张和批量检测，管理模型缓存和性能优化。
  • model_loader.py：
    • 模型加载逻辑，定义 load_model 函数。
  • simplenet.py：
    • SimpleNet 模型实现，用于异常检测和热图生成。
  • progress_dialog.py：
    • 进度对话框，用于模型加载和批量检测进度显示。
  • report_generator.py：
    • 报告生成模块，统计检测结果，生成图表并支持导出。
  • performance_monitor.py：
    • 性能监控模块，记录内存、线程和 I/O 使用情况。
  • exceptions.py：
    • 自定义异常类，用于错误处理。
  • config.yaml：
    • 配置文件，存储模型列表、加载模式、阈值和性能参数。

核心类与功能

  1. MainWindow (gui.py)：

    • 属性：
      • processor：图像处理器实例。
      • result_paths：检测结果路径列表。
      • detection_infos：检测信息列表。
      • current_index：当前显示图片索引。
      • current_report：当前报告数据。
      • threshold：异常阈值。
    • 方法：
      • select_model：选择并加载模型。
      • detect_single / detect_batch：触发单张或批量检测。
      • detect_single_drop / detect_batch_drop：处理拖放检测。
      • update_report：更新报告选项卡和图像视图。
      • export_report：导出报告为 CSV 或 PDF。
      • open_history：打开历史记录对话框。
    • 界面元素：
      • 工具栏（“Select Model”、“Detect”、“Options”）。
      • 选项卡（“Image View”和“Report”）。
      • 状态栏、缩略图、阈值滑块、日志区。

  2. ImageProcessor (image_processor.py)：

    • 属性：
      • model_cache：已加载模型缓存。
      • current_model_name：当前模型名称。
      • report_generator：报告生成器实例。
    • 方法：
      • set_model：设置当前模型。
      • detect_single_image：单张检测，返回路径和信息。
      • detect_batch_images：批量检测，生成报告。
    • 信号：
      • report_generated：批量检测完成后发出报告数据。
    • 优化：
      • 动态批次大小（BatchDetectWorker）。
      • 多线程预加载（ImagePreloader）。

  3. ReportGenerator (report_generator.py)：

    • 属性：
      • output_dir：报告保存目录。
      • history_file：历史记录文件路径。
    • 方法：
      • generate_report：生成统计信息和图表。
      • save_history：保存检测报告到历史记录。
      • export_to_csv / export_to_pdf：导出报告。
    • 功能：
      • 统计异常数量、得分分布和异常程度。
      • 生成直方图和箱线图。

  4. HistoryDialog (gui.py)：

    • 功能：显示历史记录列表，支持双击或“OK”加载报告。
    • 方法：
      • load_history：加载历史记录。
      • load_selected_report：加载选中的报告。

使用说明

界面布局

  • 工具栏：
    • “Select Model”：选择模型，支持快捷键。
    • “Detect”：下拉菜单，包含“Single Image”和“Batch Images”。
    • “Options”：包含“Settings”和“View History”。
  • 状态栏：显示“Model: [模型名] | Image: [图片名] | GPU Memory: [显存使用]”。
  • 左侧区域：
    • “Anomaly Threshold”：滑块调节阈值，实时更新。
    • “检测信息”：显示异常得分和判断。
  • 右侧区域：
    • 选项卡：
      • “Image View”：显示检测结果（原图+热图）和缩略图。
      • “Report”：显示统计信息、图表和导出按钮。
    • 缩略图列表：水平滚动，点击切换，悬停显示信息。
    • 日志区：可折叠，默认隐藏。
  • 浮动进度条：检测或加载时显示进度。

操作流程

  1. 启动程序：
    • preload 模式：加载所有模型，显示进度。
    • ondemand 模式：显示“未选择模型”。
  2. 选择模型：
    • 点击“Select Model”或按快捷键。
    • 状态栏更新模型名。
  3. 单张检测：
    • 点击“Detect -> Single Image”或拖放图片。
    • 显示结果和信息，缩略图显示单张。
  4. 批量检测：
    • 点击“Detect -> Batch Images”或拖放文件夹。
    • 显示第一张结果，缩略图列出所有结果，报告选项卡显示统计和图表。
  5. 查看报告：
    • 批量检测后自动切换到“Report”选项卡。
    • 点击“Export Report”选择保存路径和格式（CSV/PDF）。
  6. 查看历史：
    • 点击“Options -> View History”。
    • 选择记录，双击或点击“OK”加载。
  7. 调整阈值：
    • 滑动阈值滑块，实时更新检测信息和 config.yaml。
  8. 查看日志：
    • 点击“Show Log”展开日志区。

输出结果

  • 检测结果：./output/[模型目录名]/detection_[输入文件名].png
  • 报告文件：
    • 默认保存至 ./output/reports/，可通过导出选择其他路径。
    • CSV：包含图像路径、得分和状态。
    • PDF：包含统计信息和图表。
  • 历史记录：./output/reports/detection_history.json

维护与扩展

常见问题排查

  1. 导出报告失败（KeyError: ‘image_paths’）：
    • 检查历史记录文件是否完整（需包含 image_paths 和 scores）。
    • 重新运行批量检测生成新记录。
  2. 历史记录加载无效：
    • 确保 detection_history.json 未损坏。
    • 检查日志确认加载错误。
  3. 内存不足：
    • 调整 config.yaml 中的 max_batch_size 或 max_memory_mb。
    • 设置 PYTORCH_CUDA_ALLOC_CONF=max_split_size_mb:128。
  4. 拖放无效：
    • 检查日志，确保拖放事件被识别。
    • 以管理员权限运行程序（Windows）。

优化建议

  1. 性能提升：
    • 使用异步图表生成（ProgressWorker）。
    • 优化 SimpleNet.predict 支持更大批量。
  2. 界面增强：
    • 添加图表交互（放大、悬停提示，使用 PyQtGraph）。
    • 支持历史记录筛选（按模型或日期）。
  3. 功能扩展：
    • 添加异常原因分析（需模型支持）。
    • 支持清理旧历史记录（按数量或时间）。
  4. 模型支持：
    • 抽象模型接口，支持其他架构（如 YOLO）。

代码维护

  • 模块化：GUI、处理、报告和模型逻辑分离。
  • 配置文件：支持动态调整参数（如异常程度阈值）。
  • 日志：详细记录操作和错误。
  • 测试：建议使用 pytest 测试检测、报告和历史功能。

版本信息

  • 当前版本：v1.7
  • 更新日期：2025年3月6日
  • 作者：LucaZou
  • 更新记录：
    • v1.0：基本检测功能。
    • v1.1：多线程支持，界面优化。
    • v1.2：动态阈值、缩略图导航。
    • v1.4：YAML 配置、GPU 加速、内存优化。
    • v1.5：拖放支持、滑块阈值调整。
    • v1.7：报告模块、历史记录管理、导出功能。
更新于 2025-03-30 
阅读原始文档
PyQt异常检测计算机视觉
返回 | 主页
0%